2023.9.

20
论文一 2023

Recent Trends in EEG-Based Motor Imagery Signal Analysis

and Recognition: A Comprehensive Review

基于脑电图的运动想象信号分析和识别的最新趋势--综述

2023.9.20
论文一 2023
Recent Trends in EEG-Based Motor Imagery Signal Analysis and Recognition: A Comprehensive
Review
基于脑电图的运动想象信号分析和识别的最新趋势--综述
传统方法
深度学习
常用均方误差和交叉熵来优化函数
去噪
数据增强
分类
数据集
衡量标准
原始信号值的分析--CSP--时频分析--图像
CNN--Hybrid--DBN-RNN--GAN
问题
BCI用户的可变性--主体不同；同一主体信号变化
伪影和噪声--小数据集、低传输率、低信噪比
BCI效率低下--非任务相关活动
BCI实时响应能力
未来
EEG转化为2D图像处理
使用预训练网络模型--Google-net，AlexNet，VGG-1，inception等/注意力机制、强化学习
迁移学习--零校准
用于决策的深度学习--额外的数据增强
融合技术
论文二 2022
EEG-fNIRS方法论综述
EEG-Informed fNIRS Analyses
NO.2 FNIRS-Informed EEG Source Imaging Analysis
NO.3 Parallel Analysis of EEG-fNIRS
NO.4 文中强调EEG-FNIRS的竞争优势
NO.5 文中强调EEG-FNIRS的挑战与机遇
传统方法

1、预处理（去伪影、去噪声）

各类滤波器（高通、低通、中值、自适应）

2、信号分解
3、特征提取

能量、熵、方差、均方根、平均数

相关性、最大最小距离（MMD）、功率谱密度、交叉谱密度

4、特征降维

PCA（只捕捉线性相关性）、LDA、ICA（唯一 盲源分离，非高斯分布）

空间滤波 包括CSP（需要多信道信息和频域信息丢失，利用新变形提高）、黎曼变换

5、分类

SVM、KNN、ANN、DT

深度学习
常用均方误差和交叉熵来优化函数

去噪
受限玻尔兹曼机RBM、自动编码器

数据增强
变分自动编码器VAE、生成对抗网络GAN

分类
多层感知机MLP、长短期记忆LSTM、门控循环单元GRU、双LSTM和卷积神经网络CNN

数据集
Pysionet、High Gamma、BCI competition（BCI-C4 2A/2B）

衡量标准
准确度、特异性、灵敏度、精度、F-measure（精度和灵敏度的调和平均值）

马修相关系数MCC、受试者工作特性ROC

混淆矩阵

原始信号值的分析--CSP--时频分析--图像

CNN--Hybrid--DBN-RNN--GAN

问题
BCI用户的可变性--主体不同；同一主体信号变化

伪影和噪声--小数据集、低传输率、低信噪比

BCI效率低下--非任务相关活动

BCI实时响应能力

未来
EEG转化为2D图像处理

使用预训练网络模型--Google-net，AlexNet，VGG-1，inception
等/注意力机制、强化学习

迁移学习--零校准

用于决策的深度学习--额外的数据增强

融合技术

论文二 2022

EEG-fNIRS方法论综述
总结在健康个体和患者群体的fNIRS-EEG并行研究中使用的分析方法的现状。

数据处理方法、提取特征和这两种模式的集成形式，专注于并发fNIRS-EEG记录的多个层次的集成分
析

未来项目进行并发fNIRS-EEG研究提供了最新的概述和技术指南

EEG-Informed fNIRS Analyses

EEG衍生的特征来增强fNIRS分析

1.从EEG信号幅度等信息作为有效特征的，以改善不同刺激相关的活性FNIRS估计。

2.与经典的GLM方法相比，在检测癫痫事件（例如癫痫发作或断性癫痫样放电）中，EEG信息的FNIRS方
法比经典的GLM方法揭示了更高的灵敏度和特异性。

3.FNIRS血液动力学可以通过用多组伽马传递函数卷积的EEG来预测，为神经血管耦合建模提供了新的视
角。
NO.2 FNIRS-Informed EEG Source Imaging Analysis
EEG局限性--体积传导问题--EEG源成像（ESI）

fNIRS良好的空间分辨率--FNIRS先验信息的ESI技术--阿尔茨海默氏病和中风相关的非典型脑动力学

基于fNIRS进行通道选择，大大减少BCI系统所需的fNIRS和EEG通道的数量。

NO.3 Parallel Analysis of EEG-fNIRS

融合特征--混合FNIRS-EEG在各种任务（例如运动图像和执行）中，比单个模式的分类和解码精度增强
了。

FNIRS-EEG的互补特性--时空血液动力学和电生理模式的广泛研究，例如精神工作量，情感状态和智力功
能。鉴定出不同脑疾病相关的非典型脑模式，使用多模态特征来区分阿尔茨海默氏病和帕金森氏病的健
康对照组。

NO.4 文中强调EEG-FNIRS的竞争优势
1. 脑电图和fNIRS信号分别与神经元电活动和代谢反应相关，为识别的活动提供了内置验证。因此，
从这两种模式中获得的测量结果提供了与大脑功能活动有关的补充信息。

2. 所谓神经血管耦合是脑活动fNIRS-EEG综合成像的理论基础。最近的研究表明，神经血管耦合损伤
可能是一些神经疾病的征兆，如阿尔茨海默病和中风
NO.5 文中强调EEG-FNIRS的挑战与机遇
1. 更细粒度分辨率的FNIRS和EEG信号的动态相互作用 --基于FNIRS的功能连通性（动态功能连接性）
2. 对fNIRS和EEG数据的集成分析。
3. 未来研究可能会集中在增强可以在线设置实验设计和分析 。
4. 允许直接调查在社交互动期间多脑之间如何相互交互。
5. 并行fNIRS-EEG--NIRS和EEG单独连接到数据--降低迁移率并对fNIRS-EEG进行约束
关键因素可能包括（1）适合人体的材料--电极/optodes之间的舒适接触，（2）轻巧/高度集成的
设计以增强测量体验（3）适用的长期实时现实的高级信号处理算法世界研究。
6. 多模态：生理或辅助信号（例如，血压，呼吸和头部运动）已被证明可以大大改善生理干扰和运动
伪像的过滤
7. 从临床角度来看，这种多模态系统可以在个体水平上提供与大脑疾病相关的多维脑生理行为生物标
志物。结合强大的统计/机器学习，我们预计该领域未来的研究将提出先进的算法，融合这种多模
态信息，以准确监测大脑活动，促进个性化治疗方案，以提高每个患者的效率。